專利名稱：一種基于模糊增強(qiáng)和曲面擬合的圖像邊緣特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種在模糊增強(qiáng)和曲面擬合基礎(chǔ)上提取圖像邊緣特征的方法，屬于圖 像處理領(lǐng)域?？捎糜谛枰獙?duì)圖像底層特征進(jìn)行提取的各種圖像處理系統(tǒng)，如圖像檢索系統(tǒng)寸。
背景技術(shù)：
隨著網(wǎng)絡(luò)帶寬的增長(zhǎng)、大規(guī)模存儲(chǔ)介質(zhì)的普及以及多媒體應(yīng)用的興起，數(shù)字圖像 的數(shù)量正以驚人的速度增長(zhǎng)，面對(duì)如此巨大的信息，基于內(nèi)容的圖像檢索技術(shù)正成為圖像 處理領(lǐng)域研究的熱點(diǎn)。圖像檢索技術(shù)是一種綜合技術(shù)，它通過分析圖像的內(nèi)容，如顏色、紋 理、形狀等特征進(jìn)行圖像檢索。在基于形狀的圖像檢索系統(tǒng)中需要建立圖像特征索引庫，對(duì) 圖像中物體的分割或邊緣特征進(jìn)行提取，提取出物體的關(guān)鍵特征或輪廓，這樣可以用圖像 的邊緣特征作為檢索的特征庫，通過比較待檢測(cè)圖像的關(guān)鍵特征或輪廓與提取出的特征庫 的相似度，從而檢索得到所需圖像?；蛘哂脩粼诓樵儠r(shí)，只要把自己對(duì)圖像的模糊印象描述 出來，通過勾勒?qǐng)D像的形狀或輪廓，就可以在大容量圖像庫中檢索出形狀相似的圖像。目前，邊緣特征提取的方法已有很多，包括差分算子法、曲線擬合法、灰度直方圖 門限法、facet模型法等等，每種方法各有優(yōu)劣，也存在很多問題，如不同邊緣特征提取算法 對(duì)不同的圖像處理效果差異很大。曲面擬合是一種常用的、效果較好的邊緣特征提取算法， 在此算法中，數(shù)字圖像被看作一個(gè)由各像素的坐標(biāo)和灰度值確定的離散化的空間曲面，對(duì) 這個(gè)空間曲面采用一個(gè)高階曲面來擬合，這樣圖像便可以用一個(gè)精確的數(shù)學(xué)模型來描述， 對(duì)擬合曲面求一階、二階導(dǎo)數(shù)，就可以獲取圖像的邊緣信息。曲面擬合邊緣特征提取算法中 的擬合函數(shù)有多種形式，其中，Sheng Zheng等人提出采用最小二乘支持向量(LS-SVM)回 歸函數(shù)作為曲面擬合函數(shù)對(duì)圖像進(jìn)行邊緣特征提取，該算法對(duì)一般圖像檢測(cè)效果較好，但 在LS-SVM中輸入樣本被同等看待，每個(gè)樣本對(duì)應(yīng)的懲罰因子相同，易產(chǎn)生過擬合現(xiàn)象，導(dǎo) 致算法泛化性能變差；并且，其中參數(shù)的確定要根據(jù)不同圖像確定，算法的適用性較差。
發(fā)明內(nèi)容
要解決的技術(shù)問題為了避免在LS-SVM中每個(gè)輸入樣本對(duì)應(yīng)的懲罰因子相同而產(chǎn)生過擬合導(dǎo)致算法 泛化性能變差及參數(shù)難以確定等問題，本發(fā)明提出在基于模糊增強(qiáng)和最小二乘支持向量回 歸函數(shù)對(duì)圖像進(jìn)行曲面擬合的圖像邊緣特征提取方法。技術(shù)方案本發(fā)明的基本思想是首先將待處理圖像通過線性模糊隸屬函數(shù)轉(zhuǎn)換到模糊特征 平面，并采用增強(qiáng)函數(shù)進(jìn)行模糊增強(qiáng)，然后再轉(zhuǎn)換回空間特征平面，采用統(tǒng)計(jì)學(xué)習(xí)理論中的 最小二乘支持向量回歸函數(shù)對(duì)增強(qiáng)后圖像進(jìn)行曲面擬合，并對(duì)擬合的圖像曲面求一階和二 階導(dǎo)數(shù)從而確定圖像邊緣。具體過程如下本發(fā)明的技術(shù)特征在于步驟如下
步驟一利用模糊隸屬函數(shù)《m = , fr v將待處理圖像轉(zhuǎn)換到模糊
厶一 1 一 _γ ^ Y
ij ~*" JL Χ·ρ
特征平面，得到模糊隸屬度圖像；其中，Xmn是待處理圖像m行η列像素點(diǎn)的灰度值，Umn為模 糊隸屬度圖像中m行η列像素點(diǎn)的值，L為待處理圖像的最大灰度級(jí)，χτ為灰度級(jí)閾值；所 述的灰度級(jí)閾值xT利用最大類間方差法計(jì)算得到；所述的m的取值范圍為[1，M]，所述的η 的取值范圍為[1，N]，M為待處理圖像的總行數(shù)，N為待處理圖像的總列數(shù)；步驟二 利用增強(qiáng)函數(shù)《“= L ^mn 、2 Sl1^sc^對(duì)模糊隸屬度圖像進(jìn)行步驟四利用最小二乘支持向量回歸函數(shù)
=對(duì)模糊增強(qiáng)后的灰度圖像進(jìn)行曲面擬合，得
/=1
到擬合圖像；其中，m表示圖像的第m行，η表示圖像的第η列；Ov Hi)為觀測(cè)像素坐標(biāo)，f(m, η)為擬合圖像m行η列像素點(diǎn)的灰度值；α為按a = Q-^Y-bl)計(jì)算的高維空間加權(quán)矢
JtCT1Y
量；b為按6 =計(jì)算的偏移量；σ 2是高斯核函數(shù)的參數(shù)，取值范圍為[1，10] ；Y =Τ為由模糊增強(qiáng)后圖像中各行像素首尾相接組成的向量；Ω = expi-dm-mj^ln-n, |2)/ σ 2} + Y ^1I, Y 為懲罰因子，取值范圍為
；I = [1,1,…，1] τ為單位向量；exp{ · }表示指數(shù)運(yùn)算；步驟五分另Ij按罷= -t^"(m-m,)eXp[{m-mJ2+|”-”,|2)/CT2}和
dm μ σ
= ~^^"( -",)哪[^-%丨24>-",丨2)/°·2丨計(jì)算擬合圖像水平方向和垂直方向的梯 oft /=1 c
度，如果擬合圖像中某像素點(diǎn)的水平方向梯度值f或垂直方向梯度值f大于閾值一 T1，則
dmon
令邊緣圖像一中對(duì)應(yīng)位置像素點(diǎn)的值為255，否則為0，得到邊緣圖像一；所述的閾值一 T1
的取值范圍為
；按vVXw，”) = ·^ + ^^計(jì)算擬合圖像的二階導(dǎo)數(shù)，如果擬合圖像中某像素點(diǎn)的
dm dn
二階導(dǎo)數(shù)值V2/(w，勸為負(fù)且與其直接相鄰的8個(gè)像素點(diǎn)的二階導(dǎo)數(shù)值中最大值為正且該 最大值與該像素點(diǎn)的二階導(dǎo)數(shù)值之差大于閾值二 T2，則令邊緣圖像二中對(duì)應(yīng)位置像素點(diǎn)的 值為255，否則為0，得到邊緣圖像二；所述的閾值二 T2的取值范圍為
；
5
其中，|"4= 一2 與L-/nJ2 +| - (|2)/σ2},
dmσ σν ^、'‘If =
on “ σ σ步驟六對(duì)邊緣圖像一和邊緣圖像二進(jìn)行與運(yùn)算，得到最終的邊緣特征圖像。所述的利用最大類間方差法計(jì)算灰度級(jí)閾值的具體方法為按
(
7 (η ,,、2計(jì)算類間方差一其中，螂=Σ/7, ’ ω2 =卜ω”
二螂仏-外)+CJ2CiW2-mt)σβ ,^
fh =Σ—'-"ζ = Σ~' μτ = ωιμ 1+ω2μ2 ;Pi為按凡=計(jì)算得到的灰度級(jí)i出現(xiàn) i=X ^ + ω2MxN
的概率,Iii為灰度級(jí)i在圖像中出現(xiàn)的次數(shù)；t為某一灰度級(jí)，取值范圍為W，L]，待求取的
灰度級(jí)閾值就是使類間方差σ〗取得最大值的灰度級(jí)。有益效果由于本發(fā)明采用LS-SVM方法對(duì)圖像進(jìn)行曲面擬合并進(jìn)行邊緣提取，能夠有效地 檢測(cè)圖像邊緣特征；并且，利用模糊數(shù)學(xué)理論首先對(duì)圖像進(jìn)行了模糊增強(qiáng)處理，使得圖像中 的各種邊緣特征信息得到突顯，彌補(bǔ)LS-SVM方法易產(chǎn)生過擬合、方法泛化性能差等不足， 也更加有利于提取清晰細(xì)致的圖像邊緣特征。
圖1 本發(fā)明方法的基本流程2 使用本發(fā)明方法完成典型例圖hecil圖邊緣特征檢測(cè)的例子a:hecil 原圖b =Sobel方法對(duì)hecil圖的邊緣特征檢測(cè)結(jié)果圖c =LS-SVM方法對(duì)hecil圖的邊緣特征檢測(cè)結(jié)果圖d 本發(fā)明方法對(duì)hecil圖的邊緣特征檢測(cè)結(jié)果3 使用本發(fā)明方法完成典型例圖Iena圖邊緣特征檢測(cè)的例子a: Iena 原圖b =Sobel方法對(duì)Iena圖的邊緣特征檢測(cè)結(jié)果圖c LS-SVM方法對(duì)Iena圖的邊緣特征檢測(cè)結(jié)果圖d 本發(fā)明方法對(duì)Iena圖的邊緣特征檢測(cè)結(jié)果圖
具體實(shí)施例方式現(xiàn)結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述本發(fā)明提出的圖像模糊增強(qiáng)和曲面擬合基礎(chǔ)上進(jìn)行邊緣特征提取的方法，我們用 C++語言實(shí)現(xiàn)了一個(gè)原型系統(tǒng)。圖像數(shù)據(jù)選用具有典型代表性的兩幅例圖——hecil圖和 Iena圖進(jìn)行處理。本發(fā)明整個(gè)流程參考附圖1，具體的實(shí)施步驟如下1.數(shù)字圖像的模糊化
權(quán)利要求
一種基于模糊增強(qiáng)和曲面擬合的圖像邊緣特征提取方法，其特征在于步驟如下步驟一利用模糊隸屬函數(shù)將待處理圖像轉(zhuǎn)換到模糊特征平面，得到模糊隸屬度圖像；其中，xmn是待處理圖像m行n列像素點(diǎn)的灰度值，umn為模糊隸屬度圖像中m行n列像素點(diǎn)的值，L為待處理圖像的最大灰度級(jí)，xT為灰度級(jí)閾值；所述的灰度級(jí)閾值xT利用最大類間方差法計(jì)算得到；所述的m的取值范圍為[1，M]，所述的n的取值范圍為[1，N]，M為待處理圖像的總行數(shù)，N為待處理圖像的總列數(shù)；步驟二利用增強(qiáng)函數(shù)對(duì)模糊隸屬度圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)后的模糊隸屬度圖像；其中，u′mn為增強(qiáng)后的模糊隸屬度圖像中m行n列像素點(diǎn)的值；步驟三利用計(jì)算得到模糊增強(qiáng)后的灰度圖像；其中，x′mn是模糊增強(qiáng)后灰度圖像中m行n列像素點(diǎn)的灰度值；步驟四利用最小二乘支持向量回歸函數(shù)對(duì)模糊增強(qiáng)后的灰度圖像進(jìn)行曲面擬合，得到擬合圖像；其中，m表示圖像的第m行，n表示圖像的第n列；(mi，ni)為觀測(cè)像素坐標(biāo)，f(m，n)為擬合圖像m行n列像素點(diǎn)的灰度值；a為按a＝Ω 1(Y bI)計(jì)算的高維空間加權(quán)矢量；b為按計(jì)算的偏移量；σ2是高斯核函數(shù)的參數(shù)，取值范圍為[1，10]；Y＝[x′11，x′12，…，x′MN]T為由模糊增強(qiáng)后圖像中各行像素首尾相接組成的向量；Ω＝exp{ (|m mi|2+|n ni|2)/σ2}+γ 1I，γ為懲罰因子，取值范圍為
；I＝[1，1，…，1]T為單位向量；exp{·}表示指數(shù)運(yùn)算；步驟五分別按和計(jì)算擬合圖像水平方向和垂直方向的梯度，如果擬合圖像中某像素點(diǎn)的水平方向梯度值或垂直方向梯度值大于閾值一T1，則令邊緣圖像一中對(duì)應(yīng)位置像素點(diǎn)的值為255，否則為0，得到邊緣圖像一；所述的閾值一T1的取值范圍為
；按計(jì)算擬合圖像的二階導(dǎo)數(shù)，如果擬合圖像中某像素點(diǎn)的二階導(dǎo)數(shù)值為負(fù)且與其直接相鄰的8個(gè)像素點(diǎn)的二階導(dǎo)數(shù)值中最大值為正且該最大值與該像素點(diǎn)的二階導(dǎo)數(shù)值之差大于閾值二T2，則令邊緣圖像二中對(duì)應(yīng)位置像素點(diǎn)的值為255，否則為0，得到邊緣圖像二；所述的閾值二T2的取值范圍為
；其中， <mrow><mfrac> <mrow><msup> <mo>∂</mo> <mn>2</mn></msup><mi>f</mi> </mrow> <mrow><mo>∂</mo><msup> <mi>m</mi> <mn>2</mn></msup> </mrow></mfrac><mo>=</mo><mo>-</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>L</mi></munderover><mfrac> <msub><mrow> <mn>2</mn> <mi>a</mi></mrow><mi>i</mi> </msub> <msup><mi>σ</mi><mn>2</mn> </msup></mfrac><mo>[</mo><mn>1</mn><mo>-</mo><mfrac> <mn>2</mn> <msup><mi>σ</mi><mn>2</mn> </msup></mfrac><msup> <mrow><mo>(</mo><mi>m</mi><mo>-</mo><msub> <mi>m</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo><mi>exp</mi><mo>{</mo><mo>-</mo><mrow> <mo>(</mo> <msup><mrow> <mo>|</mo> <mi>m</mi> <mo>-</mo> <msub><mi>m</mi><mi>i</mi> </msub> <mo>|</mo></mrow><mn>2</mn> </msup> <mo>+</mo> <msup><mrow> <mo>|</mo> <mi>n</mi> <mo>-</mo> <msub><mi>n</mi><mi>i</mi> </msub> <mo>|</mo></mrow><mn>2</mn> </msup> <mo>)</mo></mrow><mo>/</mo><msup> <mi>σ</mi> <mn>2</mn></msup><mo>}</mo><mo>,</mo> </mrow> <mrow><mfrac> <mrow><msup> <mo>∂</mo> <mn>2</mn></msup><mi>f</mi> </mrow> <msup><mrow> <mo>∂</mo> <mi>n</mi></mrow><mn>2</mn> </msup></mfrac><mo>=</mo><mo>-</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>L</mi></munderover><mfrac> <msub><mrow> <mn>2</mn> <mi>a</mi></mrow><mi>i</mi> </msub> <msup><mi>σ</mi><mn>2</mn> </msup></mfrac><mo>[</mo><mn>1</mn><mo>-</mo><mfrac> <mn>2</mn> <msup><mi>σ</mi><mn>2</mn> </msup></mfrac><msup> <mrow><mo>(</mo><mi>n</mi><mo>-</mo><msub> <mi>n</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo><mi>exp</mi><mo>{</mo><mo>-</mo><mrow> <mo>(</mo> <msup><mrow> <mo>|</mo> <mi>m</mi> <mo>-</mo> <msub><mi>m</mi><mi>i</mi> </msub> <mo>|</mo></mrow><mn>2</mn> </msup> <mo>+</mo> <msup><mrow> <mo>|</mo> <mi>n</mi> <mo>-</mo> <msub><mi>n</mi><mi>i</mi> </msub> <mo>|</mo></mrow><mn>2</mn> </msup> <mo>)</mo></mrow><mo>/</mo><msup> <mi>σ</mi> <mn>2</mn></msup><mo>}</mo><mo>;</mo> </mrow>步驟六對(duì)邊緣圖像一和邊緣圖像二進(jìn)行與運(yùn)算，得到最終的邊緣特征圖像。FSA00000315334200011.tif,FSA00000315334200012.tif,FSA00000315334200013.tif,FSA00000315334200014.tif,FSA00000315334200015.tif,FSA00000315334200016.tif,FSA00000315334200017.tif,FSA00000315334200018.tif,FSA00000315334200019.tif,FSA00000315334200021.tif,FSA00000315334200022.tif
2.根據(jù)權(quán)利要求1所述的一種基于模糊增強(qiáng)和曲面擬合的圖像邊緣特征提取方法，其特征在于所述的利用最大類間方差法計(jì)算灰度級(jí)閾值的具體方法為按
全文摘要
本發(fā)明公開了一種基于模糊增強(qiáng)和曲面擬合的圖像邊緣特征提取方法，主要為了克服現(xiàn)有方法泛化性能差及參數(shù)難以確定等不足。其步驟為首先，對(duì)原始待處理圖像進(jìn)行模糊增強(qiáng)處理；然后，采用最小二乘支持向量回歸函數(shù)對(duì)模糊增強(qiáng)后的圖像進(jìn)行曲面擬合；最后，通過求擬合圖像的一階和二階導(dǎo)數(shù)提取圖像邊緣，得到最終的邊緣特征圖像。采用本發(fā)明方法能夠檢測(cè)清晰、細(xì)致的圖像邊緣信息，并且方法適應(yīng)性強(qiáng)，適用于對(duì)不同類型的圖像進(jìn)行邊緣特征提取。
文檔編號(hào)G06T5/00GK101976336SQ201010517199
公開日2011年2月16日 申請(qǐng)日期2010年10月21日 優(yōu)先權(quán)日2010年10月21日
發(fā)明者杜亞勤, 郭雷 申請(qǐng)人:西北工業(yè)大學(xué)